Amanda Resti Zavira (Teori probabilitas)

Pendekatan Klasik

Pendekatan klasik mengasumsikan bahwa sebuah peristiwa mempunyai kesempatan untuk

terjadi yang sama (equally likely). Probabilitas suatu peristiwa kemudian dinyatakan
sebagai rasio antara jumlah kemungkinan hasil dengan total kemungkinan hasil (rasio
peristiwa terhadap hasil)

Peristiwa menjual dan membeli saham mempunyai kesempatan yang sama untuk terjadi
pada kegiatan jual beli saham. Jumlah hasil ada 2 dan hanya 1 peristiwa yang terjadi, maka
probabilitas menjual atau membeli adalah sama, yaitu ½

Pada suatu percobaan di mana hanya ada satu peristiwa yang terjadi, sehingga peristiwa
lain tidak dapat terjadi pada suatu percobaan dengan waktu yang sama dikenal dengan
peristiwa saling lepas (mutually exclusive).

Peristiwa saling lepas (mutually exclusive) adalah terjadinya suatu peristiwa sehingga
peristiwa lain tidak terjadi pada waktu yang sama

Pendekatan Relatif
Berbeda dengan pendekatan klasik, besar probabilitas suatu peristiwa tidak dianggap sama,
tetapi tergantung pada berapa banyak suatu peristiwa terjadi dari keseluruhan percobaan
atau kegiatan yang dilakukan.
Jadi pendekatan relatif mendasarkan besarnya probabilitas pada banyaknya suatu peristiwa
terjadi dari keseluruhan percobaan, kegiatan atau pengamatan yang dilakukan.

Pendekatan Subjektif
Pendekatan subjektif adalah menentukan besarnya probabilitas suatu peristiwa didasarkan
pada penilaian pribadi dan dinyatakan dalam derajat kepercayaan.
Penilaian subjektif diberikan karena terlalu sedikit atau tidak ada informasi yang diperoleh
atau berdasarkan keyakinan.

Pendekatan subjektif menyatakan probabilitas suatu peristiwa terjadi berdasarkan penilaian

pribadi

Contoh pendekatan subjektif seperti

1. menurut Presiden Saddam Husen Irak pasti akan menang melawan Amerika,
2. menurut Presiden Amerika rakyat Irak akan menyambut tentara Amerika dengan
suka cita,
3. menurut Mentri Keuangan Indonesia periode 1996-1998, Indonesia tidak akan
pernah krisis karena pondasi ekonomi kuat, atau
4. Anda akan mendapatkan nilai minimal B untuk matakuliah Statistik I.
Semua contoh di atas hanya didasarkan pada penilaian pribadi dan tidak banyak
menggunakan informasi sebagai dasar pertimbangan. Oleh sebab itu, pendekatan demikian
dinamakan pendekatan subjektif.

Permutasi

Misalkan ada 3 unsur a, b, c. Kita dapat mengurutkan sebagai abc, acb, bac, bca, cab, cba.
Tiap urutan disebut permutasi 3 unsur.
Dalam contoh di alas: ada 6 permutasi terdiri 3 unsur diambil ketiga-tiganya. Ditulis 3P3 = 6

Secara Umum
Banyak permutasi k unsur dari n unsur adalah :
nPk = n! / (n-k) !
Contoh:
Berapa banyaknya permutasi dari cara duduk yang dapat terjadi jika 8 orang disediakan 4
kursi, sedangkan salah seorang dari padanya selalu duduk dikursi tertentu.
Jawab:
Jika salah seorang selalu duduk dikursi tertentu maka tinggal 7 orang dengan 3 kursi kosong.
Maka banyaknya cara duduk ada :
7P3 = 7!/(7-3)! = 7!/4! = 7.6.5 = 210 cara

Permutasi Siklis
Dari n obyek dapat disusun melingkar dalam (n-1) ! cara dengan urutan berlainan.
Contoh:
Ada berapa cara 7 orang yang duduk mengelilingi meja dapat menempati ketujuh tempat
duduk dengan urutan yang berlainan?
Jawab:
Banyaknya cara duduk ada (7 - 1) ! = 6 !  6 . 5 . 4. 3 . 2 . 1 = 720 cara.

Kombinasi
Matematika Kelas 2 >Permutasi, Kombinasi, Peluang Kejadian
408
< Sebelum Sesudah >
Kombinasi k unsur dari n unsur adalah pemilihan k unsur dari n unsur itu tanpa
memperhatikun urutannya.
nCk = n! / k!(n-k)!
Ada 6 kombinasi 2 unsur dari 4 unsur a, b, c, d yaitu ab, ac, ad, bc, bd, cd.
Contoh:
Dalam sebuah kantong terdapat 6 bola merah dan 5 putih.
Tentukan banyak cara untuk mengambil 4 bola dari kantong tersebut sehingga
a. Keempat bola tersebut terdiri dari 2 merah dan 2 putih.
b. Keempat bola tersebut warnanya lama.
Jawab:
a. Untuk mengambil 2 dari 6 bola merah ada 6C2 cara, untuk mengambil 2 dari 5 bola putih
ada 5C2 cara.
Banyak cara untuk mengambil 4 bola terdiri 2 merah 2 putih adalah: 6C2 . 5C2  = 150
cara.
b. 4 bola warna lama, jadi semua merah atau semua putih.
Untuk mengambil 4 dari 6 bola merah ada 6C4 cara. Untuk mengambil 4 dari 5 bola putih
ada 5C6 cara. Banyak cara mengambi 14 bola yang warnanya lama: 6C4 + 5C4 =15 + 5 = 20
cara.
Distribusi Probabilitas

Distribusi T
Adalah pengujian hipotesis yang menggunakan distribusi T sebagai uji statsistik, table
pengujiannya disebut table T student. Distribusi T pertama kali diterbitkan tahu 1908 dalam
suatu makalah oleh W.S. Gosset. Hasil uji statistiknya kemudian dibandingkan dengan nilai
yang ada pada tabel kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan.
Cirinya : sample yang di uji berukuran kurang dari 30
Tabel Nilai t
df α

0.05 0.025 0.01 0.005

1 6.314 12.706 31.821 63.657
2 2.920 4.303 6.965 9.925
3 2.353 3.182 4.541 5.841
4 2.132 2.776 3.747 4.604
5 2.015 2.571 3.365 4.032
6 1.943 2.447 3.143 3.707
7 1.895 2.365 2.998 3.499
8 1.860 2.306 2.896 3.355
9 1.833 2.262 2.821 3.250
10 1.812 2.228 2.764 3.169
11 1.796 2.201 2.718 3.106
12 1.782 2.179 2.681 3.055
13 1.771 2.160 2.650 3.012
14 1.761 2.145 2.624 2.977
15 1.753 2.131 2.602 2.947
16 1.746 2.120 2.583 2.921
17 1.740 2.110 2.567 2.898
18 1.734 2.101 2.552 2.878
19 1.729 2.093 2.539 2.861
20 1.725 2.086 2.528 2.845
21 1.721 2.080 2.518 2.831
22 1.717 2.074 2.508 2.819
23 1.714 2.069 2.500 2.807
24 1.711 2.064 2.492 2.797
25 1.708 2.060 2.485 2.787
26 1.706 2.056 2.479 2.779
27 1.703 2.052 2.473 2.771
28 1.701 2.048 2.467 2.763
29 1.699 2.045 2.462 2.756
30 1.697 2.042 2.457 2.750
40 1.684 2.021 2.423 2.704
50 1.676 2.009 2.403 2.678
 100 1.660 1.984 2.364 2.626
10000 1.645 1.960 2.327 2.576
Uji t Tidak Berpasangan
Uji t dikembangkan oleh William Sealy Gosset. Dalam artikel publikasinya, ia
menggunakan nama samaran Student, sehingga kemudian metode pengujiannya dikenal
dengan uji t-student. William Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z
dari distribusi normal tidak begitu cocok. Oleh karenanya, ia kemudian mengembangkan
distribusi lain yang mirip dengan distribusi normal, yang dikenal dengan distribusi t-student.
Distribusi student ini berlaku baik untuk sampel kecil maupun sampel besar. Pada n ≥ 30,
distribusi t ini mendekati distribusi normal dan pada n yang sangat besar, misalnya n=10000,
nilai distribusi t sama persis dengan nilai distribusi normal (lihat tabel t pada df 10000 dan
bandingkan dengan nilai Z).
Pemakaian uji t ini bervariasi. Uji ini bisa digunakan untuk objek studi yang
berpasangan dan juga bisa untuk objek studi yang tidak berpasangan. Berikut contoh
penggunaan uji t.
Uji t tidak berpasangan
Contoh kasus :
Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi
1. Hipotesis
Ho : 1 = 2
HA : 1 ≠ 2
2. Hasil penelitian tertera pada Tabel 1.
Tabel 1. Data hasil penelitian dua jenis pupuk nitrogen terhadap hasil padi
(t/h)

Plot Pupuk A Pupuk B

Y1 Y2
1 7 8
2 6 6
3 5 7
4 6 8
5 5 6
6 4 6
7 4 7
8 6 7
9 6 8
10 7 7
11 6 6
12 5 7
3. Data analisis adalah sebagai berikut
Hitunglah
1 = 5.58
Y2 = 6.92
S1 = 0.996
S2 = 0.793
thit =( 1 – 2)/√(S12/n1) +(S22/n2)
=( 5.58 – 6.92)/√(0.9962/12)+(0.7932/12)
 = -1.34/0.367522 = -3.67
Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai
berikut. Pertama kita lihat kolom α = 0.025 pada Tabel 2. Nilai α ini berasal dari α 0.05
dibagi 2, karena hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita
lihat baris ke 22. Nilai 22 ini adalah nilai df, yaitu n1+n2-2. Nilai n adalah jumlah ulangan,
yaitu masing 12 ulangan. Akhirnya, kita peroleh nilai ttable = 2.074.
t table = t α/2 (df) = t0.05/2 (n1+n2-2)=t0.025(12+12-2) = t0.025(22) = 2.074
4. Kriteria Pengambilan Kesimpulan
Terima H0, jika thit| < t table, sebaliknya
Tolak H0, alias terima HA, jika thit| > t table
5. Kesimpulan
Karena nila thit|= 3.67 (tanda minus diabaikan) dan nilai ttable=2.074, maka kita tolak H0, alias
kita terima HA. Dengan demikian, 1 ≠ 2, yaitu hasil padi yang dipupuk dengan pupuk A
tidak sama dengan hasil padi yang dipupuk dengan pupuk B. Lebih lanjut, kita lihat bahwa
rata-rata hasil padi yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan
pupuk A. Dengan demikian, kita dapat menyimpulkan bahwa pupuk B nyata lebih baik
daripada pupuk A untuk meningkatkan hasil pa

Distribusi Probabilitas Normal

Distribusi Probabilitas Normal Adalah Salah Satu Distribusi Yang Paling Penting Dalam
Statistika. Distribusi Probabilitas Normal Disebut Pula Distribusi Gauss Yang Merupakan
Probabilitas Yang Paling Banyak Digunakan Dalam Berbagai Analisis Statistika.

2. Karekteristik Distribusi Probabilitas Normal

Distribusi Probabilitas Normal Memiliki Beberapa Karakteristik, Di Antara - Nya :

1. Kurva Berbentuk Genta Atau Lonceg Dan Memiliki Satu Puncak Yang Terletak Di Tengah.
Nilai Rata - Rata Hitung Sama Dengan Median Dan Modus
2. Distribusi Probabilitas Dan Kurva Normal Berbentuk Kurva Simetris Dengan Rata - Rata
Hitung - Nya
3. Kurva Ini Menurun Di Kedua Arah, Yaitu Ke Kanan Untuk Nilai Positif ( + ) Tak Terhingga
Dan Ke Kiri Untuk Nilai Negatif ( - ) Tak Terhingga
4. Luas Daerah Yang Terletak Di Bawah Kurva Normal Tetapi Di Atas Sumbu Mendatar Sama
Dengan 1

3. Berikut Beberapa Perhitungan Mengenai Distribusi Probabilitas Normal

 Distribusi Probabilitas Normal Standar

Distribusi Probabilitas Normal Standar Adalah Distribusi Normal Yang Memiliki Rata - Rata Nol
Dan Simpangan Baku Satu. Dalam Perhitungan Distribusi Normal Standar, Ada Dua Pandangan.
Berikut Penjelasan - Nya :

Jika x Terdistribusi Normal Dengan Mean Dan Deviasi Standar , Maka Rumusan Sistematis -
Nya Sebagai Berikut :

Transformasi z = ( x - µ ) / σ

Keterangan : z = Variabel Normal Standar

 x = Nilai Variabel Random
µ = Rata - Rata Variabel Random
σ = Simpangan Baku Variabel Random

Memetakan Distribusi Normal Menjadi Distribusi Normal Standard, Sebab Distribusi Normal Dengan
Variabel z Ini Memiliki Mean = 0 Dan Standar Deviasi = 1.

Transformasi Ini Juga Mempertahankan Luas Di Bawah Kurva - Nya, Maksud - Nya Adalah
Sebagai Berikut :

Luas Di Bawah Kurva Distribusi Normal Antara x1 Dan x2 =

Luas Di Bawah Kurva Distribusi Normal Standard Antara z1 Dan z2

Di Mana Proses Di Atas Digunakan Untuk Menghitung Nilai Probabilitas Dengan Ketentuan Sebagai
Berikut :

P ( a <= x <= b ) = P ( ( a - µ ) / σ <= z <= ( b - µ ) / σ ) = P ( z1 <= z <= z2 )

Kombinasi
Matematika Kelas 2 >Permutasi, Kombinasi, Peluang Kejadian
408
< Sebelum Sesudah >
Kombinasi k unsur dari n unsur adalah pemilihan k unsur dari n unsur itu tanpa
memperhatikun urutannya.
nCk = n! / k!(n-k)!
Ada 6 kombinasi 2 unsur dari 4 unsur a, b, c, d yaitu ab, ac, ad, bc, bd, cd.
Contoh:
Dalam sebuah kantong terdapat 6 bola merah dan 5 putih.
Tentukan banyak cara untuk mengambil 4 bola dari kantong tersebut sehingga
a. Keempat bola tersebut terdiri dari 2 merah dan 2 putih.
b. Keempat bola tersebut warnanya lama.
Jawab:
a. Untuk mengambil 2 dari 6 bola merah ada 6C2 cara, untuk mengambil 2 dari 5 bola putih
ada 5C2 cara.

Banyak cara untuk mengambil 4 bola terdiri 2 merah 2 putih adalah: 6C2 . 5C2  = 150
cara.
b. 4 bola warna lama, jadi semua merah atau semua putih.
Untuk mengambil 4 dari 6 bola merah ada 6C4 cara. Untuk mengambil 4 dari 5 bola putih
ada 5C6 cara. Banyak cara mengambi 14 bola yang warnanya lama: 6C4 + 5C4 =15 + 5 = 20
cara.

Distribusi Probabilitas

Distribusi Binomial
Distribusi Binomial adalah distribusi yang mengacu pada dua kemungkinan hasil yaitu sukses
atau gagal.
Syarat distribusi Binomial :

• Percobaan terdiri atas n usaha yang berulang.

• Pengambilan sampel dilakukan dengan pengembalian (sampling with replacement)
• Tiap usaha hanya mempunyai 2 kemungkinan yaitu “sukses atau gagal”.
• Peluang sukses, dinyatakan dengan p, tidak berubah dari usaha yang satu ke yang
berikutnya.

Formula peluang binomial

Dengan n= banyaknya percobaan
x= banyaknya kejadian
p= peluang sukses

Notasi

Mean dan varians peluang binomial

Mean

Varians

2. Distribusi poisson

Pengertian distribusi poisson:

• Distribusi Poisson adalah distribusi peluang peubah acak poisson x, yang menyatakan
banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu.
• Panjang selang waktu tersebut boleh berapa saja, semenit, sehari, seminggu, sebulan
atau malah setahun. Daerah yang dimaksud dapat berupa sepotong garis, suatu luas,
suatu volume atau pun barangkali suatu benda.

3. Distribusi Kontinu

• Distribusi kontinyu merupakan salah satu macam distribusi probabilitas, yaitu model
matematik yang menghubungkan nilai variabel dengan probabilitas terjadinya nilai
itu. Dengan perkataan lain, kita dapat membayangkan diameter cincin piston
sebagai variabel random, karena diameter itu menjalani nilai-nilai yang berbeda
dalam populasi itu menurut mekanisme random. Maka distribusi probabilitas diameter
cincin menggambarkan probabilitas terjadinya setiap nilai diameter cincin di dalam
populasi itu. Dimana untuk distribusi kontinyu variabel yang diukur dinyatakan
dalam skala kontinyu. Oleh karena itu distribusi probabilitasnya dinamakan distribusi
kontinyu.